-
公开(公告)号：CN107168524B
公开(公告)日：2020-11-24
申请号：CN201710255191.X
申请日：2017-04-19
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于深度学习混合模型的稳态视觉诱发电位分类方法，包括步骤：1、采用LCD显示器作为刺激源，确定好闪烁频率，选择采集脑电的电极通道，针对多个不同的被试对象进行实验，采集得到稳态视觉脑电信号数据库；2、基于数据库中的短时间序列脑电信号，训练并确定卷积神经网络模型的参数，完成脑电信号特征的自动提取；3、采用卷积深度学习网络的输出作为玻尔兹曼机网络的输入，针对不同被试者对分类网络模型的参数进行微调，确定玻尔兹曼机网络模型的参数。本发明可以很好地实现脑电信号泛化特征的提取，减少脑电信号畸变对信号分类的影响，能够利用短时间长度的脑电信号来很好地完成信号分类。
-
公开(公告)号：CN106859641B
公开(公告)日：2019-08-20
申请号：CN201710089297.7
申请日：2017-02-20
Applicant: 华南理工大学
IPC: A61B5/0476 , A61B5/00
Abstract: 本发明公开了一种基于自动ICA去除EEG信号中核磁伪迹的方法，所述方法包括以下步骤：1)对含有核磁伪迹的EEG信号进行基础去噪处理，得到去除了大部分核磁伪迹的EEG信号X'(t)；2)对信号X'(t)进行独立成分分离，并自动识别出其中的核磁伪迹残余成分，其余成分保持不变；3)提取步骤2)里核磁伪迹残余成分中的有效低频成分并将其保留；4)将步骤3)得到的核磁伪迹残余成分中的有效低频成分和步骤2)中保留的其余成分一起经过ICA逆变换重构，得到除噪后的EEG信号。所述在ICA的基础上根据核磁噪声的频率分布特性以及其与核磁扫描重复时间参数相关的周期特性自动选择核磁伪迹成分，并保留了其中的有用信息。
-
公开(公告)号：CN107316049A
公开(公告)日：2017-11-03
申请号：CN201710312005.1
申请日：2017-05-05
Applicant: 华南理工大学
IPC: G06K9/62
CPC classification number: G06K9/6262 , G06K9/6269
Abstract: 本发明公开了一种基于半监督自训练的迁移学习分类方法，该方法是利用大量非目标有标签数据实现减少训练时间和资源，包括对目标有标签数据集训练初始分类器，对目标无标签数据集进行预分类；结合目标有标签数据集和多个辅助有标签数据集，采用自训练学习算法进行迭代训练。得到扩大的目标有标签数据集；对扩大的目标有标签数据集训练分类器，对目标无标签数据集分类，得到最终分类标签。本发明提高在少量训练数据情况下的分类精确度，减少训练时间，避免资源的浪费。
-
公开(公告)号：CN106859641A
公开(公告)日：2017-06-20
申请号：CN201710089297.7
申请日：2017-02-20
Applicant: 华南理工大学
IPC: A61B5/0476 , A61B5/00
Abstract: 本发明公开了一种基于自动ICA去除EEG信号中核磁伪迹的方法，所述方法包括以下步骤：1)对含有核磁伪迹的EEG信号进行基础去噪处理，得到去除了大部分核磁伪迹的EEG信号X'(t)；2)对信号X'(t)进行独立成分分离，并自动识别出其中的核磁伪迹残余成分，其余成分保持不变；3)提取步骤2)里核磁伪迹残余成分中的有效低频成分并将其保留；4)将步骤3)得到的核磁伪迹残余成分中的有效低频成分和步骤2)中保留的其余成分一起经过ICA逆变换重构，得到除噪后的EEG信号。所述在ICA的基础上根据核磁噪声的频率分布特性以及其与核磁扫描重复时间参数相关的周期特性自动选择核磁伪迹成分，并保留了其中的有用信息。
-
公开(公告)号：CN103488297A
公开(公告)日：2014-01-01
申请号：CN201310461601.8
申请日：2013-09-30
Applicant: 华南理工大学
IPC: G06F3/01
Abstract: 本发明公开了一种基于脑机接口的在线半监督文字输入系统及方法，该系统包括脑电信号采集系统，用于采集用户脑电信号，并对采集到的脑电信号进行处理；信号处理模块，用于将采集的脑电信号进行低通滤波、次数平均和下采样处理，然后将电极帽所有通道的数据依次串接起来构成一个样本特征向量；在线分类模块，用于根据信号处理模块提取的特征，对最小二乘支持向量机分类器进行在线更新并用其进行在线分类；视觉刺激界面，用于诱发用户产生P300信号，并且在该界面上显示用户需要输入的字符，显示最小二乘支持向量机分类器预测的结果。本发明大大减少了用户使用系统之前的训练时间，并且具有准确度高的优点。
-
Patent Agency Ranking
公开(公告)号：CN119760397A
公开(公告)日：2025-04-04
申请号：CN202411815381.9
申请日：2024-12-11
Applicant: 超级机器人研究院(黄埔) , 华南理工大学
IPC: G06F18/213 , G06F18/10 , G06F3/01 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于光谱域和空间域交互的运动想象脑电信号解码方法，包括：获取运动想象脑电信号及预处理；基于双分支结构分别提取混合域特征和空间引导特征，然后使用空间引导特征来增强空间表达能力；将增强空间域特征进行基于注意力机制的光谱域交互；将光谱域交互特征进行基于注意力机制的光谱相关时域聚合；利用全连接层根据时域聚合特征输出运动想象脑电信号属于某种运动想象类别的概率并最终实现运动想象脑电信号的解码。本方法针对运动想象脑电信号空间域特征的非网格性质进行深入分析，同时对运动想象脑电信号的跨频率耦合现象进行了建模，实现了针对运动想象脑电信号完整的时域、光谱域和空间域特征提取。
-
公开(公告)号：CN118021323B
公开(公告)日：2024-07-05
申请号：CN202410211771.9
申请日：2024-02-27
Applicant: 华南理工大学
IPC: A61B5/374 , A61B5/00 , G06F18/00 , G06F18/10 , G06F123/02
Abstract: 本发明涉及脑电信号识别的技术领域，公开了一种多域特征融合的脑电信号识别方法，所述方法包括：对采集的脑电信号进行滤波处理；对滤波脑电信号进行去除生物体电信号干扰的降噪处理；对降噪后的脑电信号进行图像化表示以及频域特征提取；对提取得到的频域特征进行时域分析；构建深度脑电信号识别模型并进行所采集脑电信号的识别。本发明采用希尔伯特黄变换的方式从脑电信号的分解结果中过滤低频噪声信号，实现脑电信号中肌电干扰、眼电干扰的滤波处理，对脑电信号进行图像化表示以及频域特征提取，采用双向时域特征提取的方式从频域特征中提取脑电信号的时域特征，实现多域特征的提取融合处理，基于融合结果识别得到脑电信号的类别。
-
公开(公告)号：CN113010013A
公开(公告)日：2021-06-22
申请号：CN202110263235.X
申请日：2021-03-11
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于Wasserstein距离的运动想象脑电迁移学习方法，包括步骤：1)采用运动想象脑电信号作数据集；2)所采集到的数据集经过预处理操作，根据不同的受试者和带标签与否数据分为源域和目标域，迁移学习目的为使用带标签的源域数据提升无标签目标域数据的分类准确率；3)设计深度迁移学习模型，使用深度迁移学习模型在源域数据上进行预训练，训练得出的深度迁移学习模型用于迁移学习的下一阶段；4)对特定的源域和目标域，使用Wasserstein距离进行对抗训练，得到可以用于目标域分类的深度迁移学习模型；5)计算深度迁移学习模型在目标域上的分类准确率和kappa系数。本发明方法有效运用现有数据，泛化能力强，并具有良好的迁移效果。
-
公开(公告)号：CN109222965B
公开(公告)日：2021-05-14
申请号：CN201811104443.X
申请日：2018-09-21
Applicant: 华南理工大学
Abstract: 本发明公开了一种同步EEG‑fMRI的在线去伪迹方法，包括步骤：1)对脑电信号高通滤波；2)对滤波后的信号上采样，并对脑电信号与MRI设备发出的标记进行同步；3)得到带有残留伪迹的信号Sr；4)信号Sr中有残留的梯度伪迹，构造梯度伪迹模板去噪及PCA去噪，得梯度伪迹消除的信号Sc；5)信号Sc中含有ECG，对ECG进行QRS峰检测；6)将ECG按周期的不同进行K均值聚类；7)对每种EEG信号按时间顺序进行重新整合成m段EEG信号，对这m段EEG信号进行OBS处理；8)按原信号的时间顺序进行重构脑电信号，得除去心电伪迹后的EEG信号。本发明可以在扫描采集fMRI图像的同时采集脑电信号，通过去噪算法对伪迹进行实时的去除，得到信噪比较高的脑电信号。
-
公开(公告)号：CN109031200A
公开(公告)日：2018-12-18
申请号：CN201810504609.0
申请日：2018-05-24
Applicant: 华南理工大学
IPC: G01S5/18
CPC classification number: G01S5/18
Abstract: 本发明公开了一种基于深度学习的声源空间方位检测方法，包括步骤：步骤1、采用人工头双麦克风系统捡拾多个声源空间方位的双耳声信号，用于深度神经网络模型的训练；步骤2、对所述深度神经网络模型进行迭代训练，得到一个具有最优参数的分类器；步骤3、输入未知声源方位的双耳信号至训练好的深度神经网络模型，所述深度神经网络模型输出声源空间方位的预测值。相对于现有技术，本发明的硬件实施简便；同时，神经网络信息量大，预测准确性接近人类行为学实验的水平。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.022 seconds)
